Aracılığıyla paylaş

One-Class Destek Vektör Makinesi

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Anomali algılama için tek sınıf bir Destek Vektörü Makinesi modeli oluşturur

Kategori: Anomali Algılama

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Modüle genel bakış

Bu makalede, anomali algılama modeli oluşturmak için Machine Learning Studio'da (klasik) Tek Sınıf Destek Vektör Modeli modülünün nasıl kullanımı açıklanmıştır.

Bu modül, özellikle çok sayıda "normal" veriye sahip olduğunuz ve algılamaya çalıştığın anomalilerin çoğuna sahip olmadığınız senaryolarda kullanışlıdır. Örneğin, sahte işlemleri algılamaya ihtiyacınız varsa, tipik bir sınıflandırma modelini eğitmek için kullanabileceğiniz birçok sahtekarlık örneğiniz olabilir, ancak birçok iyi işlem örneğiniz olabilir.

Modeli oluşturmak için Tek Sınıf Destek Vektörü Modeli modülünü kullanır ve ardından Anomali Algılama Modelini Eğit'i kullanarak modeli eğitersiniz. Eğitim için kullanabileceğiniz veri kümesi, tüm veya çoğunlukla normal servis durumlarını içerebilir.

Daha sonra olası anomalileri belirlemek için farklı ölçümler uygulayabilirsiniz. Örneğin, sahte işlemleri temsil eden örnekleri belirlemek için büyük bir iyi işlem veri kümesi kullanabilirsiniz.

Tek sınıf SVM hakkında daha fazla bilgi

Destek vektörü makineleri (SVM'ler), verileri analiz edip desenleri tanıyan denetimli öğrenme modelleridir ve hem sınıflandırma hem de regresyon görevleri için kullanılabilir.

Genellikle, SVM algoritmasına iki sınıftan biri olarak etiketlenmiş bir eğitim örnekleri kümesi verilir. SVM modeli, eğitim örnek noktalarının mümkün olduğunca geniş bir boşluk kadar farklı kategorilere bölünmesine ve boşluğun yanlış tarafında yer alan eğitim örneklerinin cezaya bölünmesine dayalıdır. Daha sonra SVM modeli, boşlukların bir tarafına veya diğer tarafına nokta ataarak tahminler yapar.

Bazen iki sınıflı bir model oluşturabiliyor olmak için mevcut örnekleri çoğaltmak için fazla örnekleme kullanılır, ancak sınırlı örneklerden tüm yeni sahtekarlık veya sistem hataları desenlerini tahmin etmek mümkün değildir. Üstelik sınırlı sayıda örnek bile pahalı olabilir.

Bu nedenle, tek sınıflı SVM'de destek vektörü modeli yalnızca bir sınıfı olan ve "normal" sınıfı olan veriler üzerinde eğitilmiş olur. Normal örneklerin özelliklerini çıkartır ve bu özelliklerden hangi örneklerin normal örneklerden farklı olduğunu tahmin edilebilir. Anomalileri tanımlayan eğitim örneklerinin kıtlığı olduğundan, bu durum anomali algılama için yararlıdır. Bu durum genellikle ağa izinsiz giriş, sahtekarlık veya diğer anormal davranışlara çok az örnektir.

Temel araştırma bağlantıları da dahil olmak üzere daha fazla bilgi için Teknik notlar bölümüne bakın.

Not

Tek Sınıf Destek Vektör Modeli modülü bir çekirdek-SVM modeli oluşturur, yani çok ölçeklenebilir değildir. Eğitim süresi sınırlı ise veya çok fazla veriniz varsa, PCA Tabanlı Anomali Algılama gibi anomali algılayıcıları için başka yöntemler kullanabilirsiniz.

SVM'One-Class yapılandırma

  1. Studio'da (klasik) denemenize One-Class Support Vector Model modülünü ekleyin. Modülü Anomali Algılama kategorisindeki Machine Learning - Başlataltında bulabilirsiniz.

  2. Özellikler bölmesini açmak için Tek SınıfLı Destek Vektör Modeli modülüne çift tıklayın.

  3. Eğitimci modu oluştur için modelin nasıl eğitilm gerektiğini belirten bir seçenek belirleyin:

    • Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız ve bağımsız değişken olarak belirli bir değer kümesi sağlamak için bu seçeneği kullanın.

    • Parametre Aralığı: En iyi parametrelerin ne olduğundan emin değilseniz ve en uygun yapılandırmayı bulmak için bir parametre taraması gerçekleştirmek için bu seçeneği kullanın.

  4. η: Outliers kesri üzerinde üst sınırı temsil eden bir değer yazın. Bu parametre, bu yazıda açıklanan nu-özelliğine karşılık gelen bir parametredir. nu-özelliği, outliers ve normal durumlar arasındaki takası denetlemenizi sağlar.

  5. ε (epsilon): Durdurma toleransı olarak kullanmak üzere bir değer yazın. Durdurma toleransı, modeli en iyi duruma getirmede kullanılan yineleme sayısını etkiler ve durdurma ölçütü değerine bağlıdır. Değer aşılırsa, eğitimci çözümde de aynı işlemi durdurur.

  6. Bağlan veri kümesi ve eğitim modüllerinden birini kullanın:

    Not

    Anomali Algılama Modelini Eğiten bir parametre aralığı iletirsiniz, parametre aralığı listesinde yalnızca ilk değeri kullanır.

    Model Ayarlama Hiperparametreleri modülüne tek bir parametre değeri kümesi iletirsiniz; her parametre için bir dizi ayar bekliyorsa, değerleri yoksayır ve öğrenciler için varsayılan değerleri kullanır.

    Parametre Aralığı seçeneğini belirtir ve herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığında değişse bile bu tek değer tarama boyunca kullanılır.

  7. Denemeyi çalıştırın.

Sonuçlar

Modül eğitilmiş bir anomali algılama modeli döndürür. Modeli çalışma alanınıza kaydedebilir veya Modeli Puanla modülünü bağp eğitilen modeli kullanarak olası anomalileri algıabilirsiniz.

Modeli parametre tarama kullanarak eğittiyebilirsiniz. Bir modeli üretimde kullanmak üzere yapılandırirken kullanmak üzere en uygun parametre ayarlarını not edin.

Örnekler

Bu modülün anomali algılamada nasıl kullanıldıklarının örnekleri için bkz . Azure Yapay Zeka Galerisi:

  • Anomali Algılama: Kredi Riski: Bu örnekte, en uygun modeli bulmak için parametre tarama kullanarak verilerde aykırı değerlerin nasıl bulunarak bulunarak ilgili bilgiler yer almaktadır. Ardından bu modeli yeni verilere uygular ve iki farklı anomali algılama modelini karşılaştırarak sahtekarlığı temsil eden riskli işlemleri tespit edebilir.

Teknik notlar

Tek Sınıf SVM'den gelen tahminler, sınırsız olma ihtimali olan, sınırsız puanlardır. Cortana Intelligence Gallery'de örnek olarak, modelleri farklı algoritmalara göre karşılaştırıyorsanız puanları normalleştirin.

Araştırma

Bu uygulama, libsvm adlı destek vektörü makineleri için kitaplığı sarmalar. Temel alınan genel teori libsvm ve tek sınıf destek vektörü makinelerine yönelik yaklaşım, B. Schӧlkopf ve diğer tarafından açıklanmıştır.

Modül parametreleri

Ad Tür Aralık İsteğe Bağlı Description Varsayılan
Eğitmen modu oluşturma Eğitimci Modu Oluşturma List:Single Parameter| Parametre Aralığı Gerekli Tek Parametre Learner seçeneklerini belirtin.

Tüm değerleri el ile belirtmek için SingleParameter seçeneğini kullanın.

Ayarlanabilir parametreleri taramak için ParameterRange seçeneğini kullanın.
Nu Float >=double. Epsilon mode:Tek Parametre 0.1 Bu parametre (Yunanca harf nu ile temsil edilen) outliers kesri ile destek vektörlerinin sayısı arasındaki takası belirler.
Epsilon Float >=double. Epsilon mode:Tek Parametre 0.001 Durdurma toleransını belirtir.
psnu ParameterRangeSettings [0,001; 1.0] Mode: parametre aralığı 0,001; 0,01; 0,1 Dış nesnelerin kesiri ve destek vektörü sayısı arasındaki ticaretin aralığını belirtir.
psEpsilon ParameterRangeSettings [1e-6; 1.0] Mode: parametre aralığı 0,001; 0,01; 0,1 Toleransı durdurma aralığını belirtir.

Çıkışlar

Ad Tür Description
Eğitilen model ILearner arabirimi Eğitilen anomali algılama modeli

Ayrıca bkz.

Sınıflandırma
Anomali Algılama Modeli Eğitme